ClinVar es una plataforma web que almacena 789,000 asociaciones genéticas con enfermedades complejas. Un conjunto parcial de estas asociaciones genéticas catalogadas ha desafiado a clínicos y genetistas, a menudo llevando a interpretaciones conflictivas o a una incertidumbre sobre la significancia del impacto clínico. En este estudio, abordamos la (re)clasificación de variantes genéticas mediante AmazonForest, que es un modelo de metapredicción de patogenicidad basado en bosques aleatorios que funciona combinando datos de impacto funcional de ocho herramientas de predicción. Evaluamos el rendimiento de algoritmos de aprendizaje de representación como autoencoders para proponer una mejor estrategia. Todos los modelos de metapredicción fueron entrenados con datos de ClinVar, y las variantes genéticas fueron anotadas con ocho predictores de impacto funcional catalogados con SnpEff/SnpSift. AmazonForest implementa el mejor modelo de bosque aleatorio con una estrategia de codificación de datos one hot, que muestra un Área Bajo la Curva ROC de >=0.93. AmazonForest se utilizó para la predicción de patogenicidad de un conjunto de 101,000 variantes genéticas de significancia incierta o conflicto de interpretación. Nuestros hallazgos revelaron 24,000 variantes con alta probabilidad de patogenicidad. Además, mostramos resultados para la Enfermedad de Alzheimer como una demostración de su aplicación en la interpretación clínica de variantes genéticas en enfermedades complejas. Por último, AmazonForest está disponible como una herramienta web y objeto de R que se puede cargar para realizar predicciones de patogenicidad.